Measures of Spreadtype
status
slug
summary
tags
category
icon
password
Las medidas de dispersión son exactamente lo que parece, nos ayuda a describir que tan separados o próximos están los datos entre si
★ Desviación Estándar ★
La desviación estándar es una medida que nos indica, en promedio, qué tan lejos se encuentran los datos de su valor central (la media).
ღ★ღ Calculando la Varianza ღ★ღ
Comenzamos calculando la distancia entre cada punto y la media, así obtenemos un numero para cada dato:
Luego lo elevamos al cuadrado:
Y procedemos a sumarlos todos:
Finalmente, dividimos la suma de las distancias al cuadrado por el numero de puntos de los datos menos 1, lo que nos da nuestra varianza:
Cuanto mayor sea la varianza, más dispersos están los datos. En el caso de el DataFrame del sueño de animalitos, tenemos 19,8 horas al cuadrado.
★ np.var() ★
Con numpy solo necesitamos una línea de código para encontrar la varianza:
Si no especificáramos que ddof es 1, utilizaría la formula de población y no la de muestra:
ღ★ღ Desviación Estándar ღ★ღ
La desviación estándar no es más que la raíz cuadrada de la varianza, podemos usar np.sqrt para encontrarla:
O también existe una función en numpy para encontrarla:
Es más fácil entender la desviación estándar, al no estar elevada al cuadrado. Es mucho más sencillo entender 4 horas y media a 19,8 horas.
ღ★ღ Desviación Absoluta de la Media ღ★ღ
La desviación absoluta media toma el valor absoluto de las distancias de la media y luego toma la media de esas diferencias, aunque suena parecido a la desviación estándar, no son lo mismo.
- La desviación estándar eleva al cuadrado las distancias, por lo que las distancias más largas se penalizan más.
- La desviación absoluta de la media penaliza cada distancia por igual.
Ninguna medida es mejor o peor que la otra, pero la desviación estándar es más común.
- Autor:ByIris
- URL:http://145.223.74.189:3000//article/measures-of-Spread
- Copyright:All articles in this blog, except for special statements, adopt BY-NC-SA agreement. Please indicate the source!
